`

СПЕЦІАЛЬНІ
ПАРТНЕРИ
ПРОЕКТУ

Чи використовує ваша компанія ChatGPT в роботі?

BEST CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Леонід Бараш

Электронные наносинапсы могут создавать искусственный мозг

0 
 

Исследователи из Франции создали искусственный синапс, основанный на сегнетоэлектрических туннельных переходах, который может самостоятельно научиться распознавать образы. Им также удалось моделировать пластичность синапса, наблюдая за тем, как изменяется его сопротивление с изменением приложенного напряжения. Устройство, также известное как мемристор, может быть использовано для создания нейронных сетей ИИ, которые имитируют работу человеческого мозга.

Компьютеры, которые функционируют скорее как человеческий мозг, а не как обычные цифровые системы, будут опираться на нейронные сети, а не на ряды двоичных 1 и 0. Они смогут более легко обрабатывать обширные массивы данных, которые в настоящее время генерируются во всем мире. Чтобы создать новое поколение машин, исследователям необходимо разработать простые, энергоэффективные электронные устройства, которые имитируют строительные блоки мозга – нейроны и синапсы.

Новое устройство, разработанное Винсентом Гарсией (Vincent Garcia) и его коллегами из CNRS-Thales и университетов Бордо, Париж-юг и Эври, создается из мемристора (резистор, который «запоминает», какой ток протекал через него). В отличие от других типов современной электронной памяти, подобной той, которая сделана на базе КМОП, мемристоры могут помнить свое состояние (то есть информацию, хранящуюся в них), даже если выключено питание. Они также потребляют гораздо меньше энергии.

Синапсы являются биологическими связями между нейронами, и они преобразуют импульс напряжения (потенциал действия), поступающий из пресинаптического нейрона, в разряд химических нейротрансмиттеров, которые затем обнаруживаются постсинаптическим нейроном. Затем они превращаются в новые импульсы, что приводит к последовательности импульсов, которые становятся либо больше, либо меньше.

Это фундаментальное свойство синаптического поведения известно как краткосрочная пластичность, связанная со способностью нейронной сети учиться. Именно эту пластичность Гарсия и его коллеги успешно смоделировали. Они смогли это сделать благодаря внутренней электронной природе их мемристорных синапсов на основе сегнетоэлектрических туннельных переходов, в которых сопротивление связано с сегнетоэлектричеством.

«В сегнетоэлектрических туннельных переходах переключение сегнетоэлектрической поляризации электрическим полем приводит к большим изменениям сопротивления туннеля, - объясняет Гарсия. - Это называется туннельным электросопротивлением. В выключенном состоянии поляризация, таким образом, направлена вниз, а во включенном – вверх. Более того, поляризация обычно происходит за счет зарождения и распространения доменов, поэтому применяя умеренные и короткие импульсы напряжения, мы можем стабилизировать различные конфигурации, в которых сосуществуют домены с поляризацией вверх и вниз. Это означает, что у нас есть не только двоичная энергонезависимая память, но и мемристор».

Исследователи изучили динамику поляризации этих туннельных переходов с помощью сканирующей зондовой микроскопии, используемой для получения изображения доменов и туннельного транспорта. «С помощью расчетов молекулярной динамики первого порядка мы также смогли разработать простую модель для объяснения переключения поляризации, - сказал Гарсиа. - Затем мы применили формы напряжения, которые похожи на нейронные импульсы, и наблюдали, как изменяется сопротивление туннельного перехода в зависимости от разницы во времени между этими формами напряжения. Это «правило обучения», называемое пластичностью, зависящей от формы спайка и времени (STDP), является сильным и должно допускать неконтролируемое обучение в искусственных нейронных сетях».

И это еще не все. Исследователи говорят, что они также смогли воспроизвести STDP сегнетоэлектрических мемристоров с помощью своей модели, основанной на динамике сегнетоэлектрического домена, и показать, что массивы, содержащие сотни тысяч сегнетоэлектрических наносинапсов, могут самостоятельно учиться предсказуемо распознавать образы.

Команда теперь занята построением матричного массива из сегнетоэлектрических мемристоров, подключенных к нейронам на основе КМОП, чтобы показать, что ее системы действительно могут обучаться без контроля и распознавать образы.

Электронные наносинапсы могут создавать искусственный мозг

Электронный наносинапс

Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365

0 
 

Напечатать Отправить другу

Читайте также

 

Ukraine

 

  •  Home  •  Ринок  •  IТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Мережі  •  Безпека  •  Наука  •  IoT